CN112612005B - 基于深度学习的雷达抗主瓣干扰方法 - Google Patents
基于深度学习的雷达抗主瓣干扰方法 Download PDFInfo
- Publication number
- CN112612005B CN112612005B CN202011357984.0A CN202011357984A CN112612005B CN 112612005 B CN112612005 B CN 112612005B CN 202011357984 A CN202011357984 A CN 202011357984A CN 112612005 B CN112612005 B CN 112612005B
- Authority
- CN
- China
- Prior art keywords
- neural network
- main lobe
- interference
- data
- radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000926 separation method Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的雷达抗主瓣干扰方法,包括:仿真构建接收信号模型,利用接收信号模型的协方差矩阵集合求取初始空间谱数据;将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签;构建神经网络,将初始空间谱数据作为神经网络的输入数据,将标签作为神经网络的输出数据,对神经网络进行训练;将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵,然后经数学变换处理后得到初始空间谱;将初始空间谱输入神经网络,得到雷达信号空间谱,实现主瓣干扰和目标在空域上的有效分离。本发明通过构建深度学习神经网络对阵列信号来向进行方向分类的方式,实现主瓣干扰和目标在空域的有效分离,从而实现对目标进行有效的检测。
Description
技术领域
本发明涉及雷达信号处理技术领域,更具体的,涉及一种基于深度学习的雷达抗主瓣干扰方法。
背景技术
随着现代空间电磁环境的日益复杂,主瓣干扰成为当前影响雷达探测性能的一种主要干扰样式。与传统旁瓣干扰不同,主瓣干扰信号从雷达波束主瓣进入,因此可获得与目标信号相当的天线增益,从而使干扰信号能量大幅增加,引起信干比急剧下降,对后续信号处理造成困难。
当前,雷达领域中对抗主瓣干扰的方式主要是采用阵列自适应波束形成技术,其能够自适应地对空间变换的干扰环境做出反应,在干扰方向自适应形成零陷,进而有效滤除干扰。然而,由于主瓣干扰条件下,干扰和目标均位于主瓣波束内,自适应波束形成技术在干扰方向形成零陷时导致主波束发生畸变,同时引起旁瓣电平增高,进而导致目标损失严重,输出信号信干噪比急剧下降。因此,传统阵列自适应波束形成技术目前无法有效对抗自卫式或支援式主瓣干扰。
此外,近几年提出一种基于稀疏超分辨的方法在空域将主瓣内干扰和目标进行分离,从而在无需抑制干扰的情况下实现对目标的有效检测。
相较于传统高分辨方法,稀疏恢复类超分辨方法基于各类稀疏重构算法可实现阵列空间分辨率的大幅提升,进而可实现目标与主瓣干扰的有效分离。然而,在实际应用中,当干扰角度域目标较为接近,即干扰位于主波束3dB宽度以内时,干扰与目标的空域相关性较强,导致稀疏恢复类超分辨算法性能下降严重,无法实现干扰和目标的有效分离;此外,主瓣干扰功率往往远大于目标回波功率,导致在稀疏恢复方法只能将干扰有效恢复,而目标则由于功率太小无法恢复得到。因此,尽管已有稀疏恢复类主瓣干扰条件下目标检测方法,但在实际应用中受限于干扰目标相关性和低信干噪比而往往无法有效工作。
发明内容
本发明为了解决现有技术无法在主瓣干扰的情况下对目标进行有效检测的问题,提供了一种基于深度学习的雷达抗主瓣干扰方法,其通过构建深度学习神经网络对阵列信号来向进行方向分类的方式,实现主瓣干扰和目标在空域的有效分离,从而实现对目标进行有效的检测。
为实现上述本发明目的,采用的技术方案如下:一种基于深度学习的雷达抗主瓣干扰方法,所述的方法包括步骤如下:
S1:仿真构建不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,并利用接收信号模型的协方差矩阵集合求取初始空间谱数据;将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签;
S2:构建神经网络,将步骤S1得到的初始空间谱数据作为神经网络的输入数据,将得到标签作为神经网络的输出数据,对神经网络进行训练直至收敛;
S3:将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵,然后经数学变换处理后得到初始空间谱;
S4:将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络,得到雷达信号空间谱,从而实现主瓣干扰和目标在空域上的有效分离。
优选地,在步骤S4之后,可将雷达阵列实际接收回波数据中的各距离门输入步骤S2训练好的神经网络,得到目标的距离-方位域,再进行恒虚警检测处理,实现获得目标的距离和方位角信息。
进一步,步骤S1,具体地,基于阵列信号仿真模型,仿真不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,将接收信号模型作为训练数据集;其中,所述的阵列信号仿真模型与真实阵列的参数一致。
再进一步地,不同主瓣干扰来向为主瓣干扰进入天线阵列方位由3dB波束主瓣处遍历至四分之一3dB波束主瓣处,即-7.5°~7.5°范围,角度间隔为0.1度。
再进一步地,信干噪比从-10dB以1dB间隔遍历至-40dB。
再进一步地,P个接收信号模型的数学表达式如下:
其中,T表示转置,m表示接收信号经数字化后的时域离散点数,n(m)表示复高斯噪声矢量;θp表示第p个信号来向角;sp表示第p个信号;N表示阵元的数量。
再进一步地,所述的神经网络采用深度卷积神经网络,其卷积层共4层,卷积窗口大小分别为23×16、13×8、7×3和3×1,激活函数选择ReLU函数:
ReLU(x1)=max{x1,0};
式中,x1表示任一自变量。
再进一步地,步骤S3,所述的雷达阵列实际接收回波数据均为经模数转换后存储数据,利用待检测距离门相邻距离门数据作为训练样本,基于似然估计得到干扰协方差矩阵并将转换为矢量协方差矩阵,然后将空域导向矢量与矢量协方差矩阵相乘得到初始空间谱。
再进一步地,所述的初始空间谱的表达式如下:
其中,其中,表示矢量协方差矩阵集合,
An=[a(θ1)aH(θ1)en,a(θ2)aH(θ2)en,,…;a(θL)aH(θL)en,]矢量协方差矩阵,en是第n个元素为1,其它元素为零的N×1维矢量;L为空间角度离散个数;表示将协方差矩阵矢量后的数据,yn=Ren表示协方差矩阵第n列因素,R=E{xxH},H表示共轭转置;E{}表示取希望,R表示回波数据的协方差矩阵。
本发明的有益效果如下:
本发明利用深度学习实现目标分类的优势,将其应用于雷达阵列信号主瓣干扰和目标的空域分离,通过仿真各类条件下主瓣干扰和目标信息构造神经网络输入数据集和输出数据集,并以此训练神经网络,然后将雷达阵列实测数据输入已训练神经网络实现干扰和目标的有效分离。本发明适用于采用全数字体制的各类平面多通道相控阵雷达,如地面雷达、机载雷达、星载雷达及舰载雷达。
附图说明
图1是本实施例所述的雷达抗主瓣干扰方法。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示,一种基于深度学习的雷达抗主瓣干扰方法,所述的方法包括步骤如下:
S1:仿真构建不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,并利用接收信号模型的协方差矩阵集合求取初始空间谱数据;将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签;
S2:构建神经网络,将步骤S1得到的初始空间谱数据作为神经网络的输入数据,将得到标签作为神经网络的输出数据,对神经网络进行训练直至收敛;
S3:将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵,然后经数学变换处理后得到初始空间谱;
S4:将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络,得到雷达信号空间谱,从而实现主瓣干扰和目标在空域上的有效分离。
假设多通道相控阵雷达为一均匀线阵,共N个阵元,实例中N=16,接收天线阵元间距d等于波长λ的一半,下面结合附图和实例说明一下整个发明的详细步骤:
步骤S1,具体地,基于阵列信号仿真模型,仿真不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,将接收信号模型作为训练数据集;其中,所述的阵列信号仿真模型与真实阵列的参数一致。不同主瓣干扰来向为主瓣干扰进入天线阵列方位由3dB波束主瓣处遍历至四分之一3dB波束主瓣处,即-7.5°~7.5°范围,角度间隔为0.1度。信干噪比从-10dB以1dB间隔遍历至-40dB。
构建P个接收信号模型的数学表达式如下:
其中,T表示转置,m表示接收信号经数字化后的时域离散点数,n(m)表示复高斯噪声矢量;θp表示第p个信号来向角;sp表示第p个信号;N表示阵元的数量。
步骤S2,构建神经网络,所述的神经网络采用深度卷积神经网络,其卷积层共4层,卷积窗口大小分别为23×16、13×8、7×3和3×1,激活函数选择ReLU函数:
ReLU(x1)=max{x1,0};
式中,x1表示任一自变量。
将步骤S1得到的初始空间谱数据作为神经网络的输入数据,将得到标签作为神经网络的输出数据,对神经网络进行训练直至收敛;本实施例训练神经网络的训练批尺寸为12样本,所有数据样本共训练200次。
步骤S3,所述的雷达阵列的接收数据单元实际接收N×1路回波数据,所述的雷达阵列的模数变换单元将N×1路回波数据进行模数转换,实现接收回波数据的数字化并进行存储;利用待检测距离门相邻距离门数据作为训练样本,基于似然估计得到干扰协方差矩阵并将转换为矢量协方差矩阵,然后将空域导向矢量与矢量协方差矩阵相乘得到初始空间谱。
其中,利用空域导向矢量和矢量协方差矩阵求取信号初始空间谱的表达式如下:
其中,表示矢量协方差矩阵集合,An=[a(θ1)aH(θ1)en,a(θ2)aH(θ2)en,,…;a(θL)aH(θL)en,]矢量协方差矩阵,en是第n个元素为1,其它元素为零的N×1维矢量;L为空间角度离散个数;/>表示将协方差矩阵矢量后的数据,yn=Ren表示协方差矩阵第n列因素,R=E{xxH},H表示共轭转置;E{}表示取希望,R表示回波数据的协方差矩阵。
S4:将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络,在神经网络输出端得到雷达信号空间谱,该雷达信号空间谱为高分辨的空间谱,从而实现主瓣干扰和目标在空域上的有效分离。
本实施例还可以在步骤S4之后,可将雷达阵列实际接收回波数据中的各距离门输入步骤S2训练好的神经网络,得到目标的距离-方位域,再进行恒虚警检测处理,实现获得目标的距离和方位角信息。因此本实施例所述的方法可实现对目标检测的同时,获取获得目标的距离和方位角信息。
最好将上述处理得到的目标、目标方位角及距离信息输入终端设备显示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于深度学习的雷达抗主瓣干扰方法,其特征在于:所述的方法包括步骤如下:
S1:仿真构建不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,并利用接收信号模型的协方差矩阵集合求取初始空间谱数据;将接收信号模型对应不同主瓣干扰来向和目标来向集合作为标签;
S2:构建神经网络,将步骤S1得到的初始空间谱数据作为神经网络的输入数据,将得到标签作为神经网络的输出数据,对神经网络进行训练直至收敛;
S3:将雷达阵列实际接收回波数据基于似然估计得到干扰协方差矩阵,然后经数学变换处理后得到初始空间谱;
S4:将步骤S3得到的初始空间谱输入步骤S2训练好的神经网络,得到雷达信号空间谱,从而实现主瓣干扰和目标在空域上的有效分离;
在步骤S4之后,可将雷达阵列实际接收回波数据中的各距离门输入步骤S2训练好的神经网络,得到目标的距离-方位域,再进行恒虚警检测处理,实现获得目标的距离和方位角信息;
P个接收信号模型的数学表达式如下:
其中,T表示转置,m表示接收信号经数字化后的时域离散点数,n(m)表示复高斯噪声矢量;θp表示第p个信号来向角;sp表示第p个信号;N表示阵元的数量;
所述的神经网络采用深度卷积神经网络,其卷积层共4层,卷积窗口大小分别为23×16、13×8、7×3和3×1,激活函数选择ReLU函数:
ReLU(x1)=max{x1,0};
式中,x1表示任一自变量;
步骤S3,所述的雷达阵列实际接收回波数据均为经模数转换后存储数据,利用待检测距离门相邻距离门数据作为训练样本,基于似然估计得到干扰协方差矩阵并将转换为矢量协方差矩阵,然后将矢量协方差矩阵与空域导向矢量相乘得到初始空间谱;
所述的初始空间谱的表达式如下:
其中,表示矢量协方差矩阵集合,An=[a(θ1)aH(θ1)en,a(θ2)aH(θ2)en,,…;a(θL)aH(θL)en,]矢量协方差矩阵,en是第n个元素为1,其它元素为零的N×1维矢量;L为空间角度离散个数;/>表示将协方差矩阵矢量后的数据,yn=Ren表示协方差矩阵第n列因素,R=E{xxH},H表示共轭转置;E{}表示取期望,R表示回波数据的协方差矩阵。
2.根据权利要求1所述的基于深度学习的雷达抗主瓣干扰方法,其特征在于:步骤S1,具体地,基于阵列信号仿真模型,仿真不同主瓣干扰来向和不同信干噪比情况下的接收信号模型,将接收信号模型作为训练数据集;其中,所述的阵列信号仿真模型与真实阵列的参数一致。
3.根据权利要求2所述的基于深度学习的雷达抗主瓣干扰方法,其特征在于:不同主瓣干扰来向为主瓣干扰进入天线阵列方位由3dB波束主瓣处遍历至四分之一3dB波束主瓣处,即-7.5°~7.5°范围,角度间隔为0.1度。
4.根据权利要求3所述的基于深度学习的雷达抗主瓣干扰方法,其特征在于:信干噪比从-10dB以1dB间隔遍历至-40dB。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357984.0A CN112612005B (zh) | 2020-11-27 | 2020-11-27 | 基于深度学习的雷达抗主瓣干扰方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357984.0A CN112612005B (zh) | 2020-11-27 | 2020-11-27 | 基于深度学习的雷达抗主瓣干扰方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112612005A CN112612005A (zh) | 2021-04-06 |
CN112612005B true CN112612005B (zh) | 2023-07-28 |
Family
ID=75225816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357984.0A Active CN112612005B (zh) | 2020-11-27 | 2020-11-27 | 基于深度学习的雷达抗主瓣干扰方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612005B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113433514B (zh) * | 2021-06-18 | 2022-10-14 | 西北工业大学 | 基于展开式深度网络的参数自学习干扰抑制方法 |
CN113567978B (zh) * | 2021-07-29 | 2023-04-25 | 电子科技大学 | 一种多基分布式雷达协同成像方法 |
CN113777571B (zh) * | 2021-08-04 | 2023-08-11 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
CN116125421B (zh) * | 2023-02-07 | 2023-10-20 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的阵列雷达多回波信号目标检测方法 |
CN116520256B (zh) * | 2023-07-03 | 2023-09-01 | 中国人民解放军空军预警学院 | 一种基于深度学习的机载预警雷达干扰识别方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
US9559417B1 (en) * | 2010-10-29 | 2017-01-31 | The Boeing Company | Signal processing |
CN108037520A (zh) * | 2017-12-27 | 2018-05-15 | 中国人民解放军战略支援部队信息工程大学 | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN109188373A (zh) * | 2018-08-17 | 2019-01-11 | 西安电子科技大学 | 基于子阵阻塞矩阵预处理的抗主瓣干扰方法 |
CN109507649A (zh) * | 2018-12-20 | 2019-03-22 | 西安电子科技大学 | 波形分集阵雷达抗主瓣欺骗式干扰的方法 |
CN109959899A (zh) * | 2018-04-12 | 2019-07-02 | 哈尔滨工程大学 | 特征投影预处理及协方差矩阵稀疏重构主瓣干扰抑制算法 |
CN110196410A (zh) * | 2019-06-20 | 2019-09-03 | 中国人民解放军火箭军工程大学 | 一种阵列天线主瓣干扰抑制方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102084210B1 (ko) * | 2019-01-04 | 2020-03-03 | 국방과학연구소 | 전자교란을 위한 동기식 부엽 재밍 방법 |
-
2020
- 2020-11-27 CN CN202011357984.0A patent/CN112612005B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9559417B1 (en) * | 2010-10-29 | 2017-01-31 | The Boeing Company | Signal processing |
CN103728595A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于子空间投影的网络化雷达抑制压制式主瓣干扰方法 |
CN108037520A (zh) * | 2017-12-27 | 2018-05-15 | 中国人民解放军战略支援部队信息工程大学 | 阵列幅相误差条件下基于神经网络的直接定位偏差修正方法 |
CN109959899A (zh) * | 2018-04-12 | 2019-07-02 | 哈尔滨工程大学 | 特征投影预处理及协方差矩阵稀疏重构主瓣干扰抑制算法 |
CN108957406A (zh) * | 2018-05-18 | 2018-12-07 | 电子科技大学 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
CN109188373A (zh) * | 2018-08-17 | 2019-01-11 | 西安电子科技大学 | 基于子阵阻塞矩阵预处理的抗主瓣干扰方法 |
CN109507649A (zh) * | 2018-12-20 | 2019-03-22 | 西安电子科技大学 | 波形分集阵雷达抗主瓣欺骗式干扰的方法 |
CN110196410A (zh) * | 2019-06-20 | 2019-09-03 | 中国人民解放军火箭军工程大学 | 一种阵列天线主瓣干扰抑制方法及系统 |
Non-Patent Citations (2)
Title |
---|
Spectrum Monitoring for Radar Bands Using Deep Convolutional Neural Networks;Ahmed Selim等;《GLOBECOM 2017 - 2017 IEEE Global Communications Conference》;第1-6页 * |
机载相控阵雷达抗压制性噪声干扰方法研究;段克清等;《现代雷达》;第31卷(第11期);第81-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112612005A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112612005B (zh) | 基于深度学习的雷达抗主瓣干扰方法 | |
CN109444820B (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN109212500A (zh) | 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法 | |
CN112612006B (zh) | 基于深度学习的机载雷达非均匀杂波抑制方法 | |
CN110888105B (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN109765529B (zh) | 一种基于数字波束形成的毫米波雷达抗干扰方法及系统 | |
CN111948634A (zh) | 干扰条件下基于协方差矩阵重构的目标检测方法与装置 | |
CN111693975A (zh) | 一种基于深度神经网络的mimo雷达稀疏阵列设计方法 | |
US5907302A (en) | Adaptive elevational scan processor statement of government interest | |
CN113238211B (zh) | 一种干扰条件下参数化自适应阵列信号检测方法与系统 | |
CN110196417B (zh) | 基于发射能量集中的双基地mimo雷达角度估计方法 | |
CN115372925A (zh) | 一种基于深度学习的阵列稳健自适应波束形成方法 | |
CN108828586B (zh) | 一种基于波束域的双基地mimo雷达测角优化方法 | |
CN108872947B (zh) | 一种基于子空间技术的海杂波抑制方法 | |
CN109188373B (zh) | 基于子阵阻塞矩阵预处理的抗主瓣干扰方法 | |
CN113156380B (zh) | 基于收发失配处理的主瓣噪声压制干扰自适应抑制方法 | |
CN115575921B (zh) | 一种基于俯仰向多通道多干扰基压制干扰抑制方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
Li et al. | Robust wideband beamforming method for linear frequency modulation signals based on digital dechirp processing | |
CN111931570B (zh) | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 | |
CN112612007B (zh) | 基于近场效应的超稀疏阵列机载雷达动目标距离解模糊方法 | |
CN114152918A (zh) | 基于压缩感知的抗间歇式主瓣干扰方法 | |
CN114137494A (zh) | 基于最小冗余特征波束的阵列回波数据降维处理方法 | |
CN110609255B (zh) | 一种基于特征波束的自适应波束域fsa的杂波抑制降维方法 | |
CN114578311B (zh) | 天波超视距雷达特征域抗杂波和干扰方法与装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |